跳到主要内容
返回时间线
arXiv来源发表:

脑MRI病灶不再依赖真实病人:PathoDraw把病灶画进标签图,单一模型零样本检出卒中与肿瘤

核心概要

PathoDraw把病灶当作健康解剖之上的条件分布,先画进标签图再渲染成任意对比度的合成脑MRI,因此训练时不需要任何真实病灶图像、病灶掩膜或病人阈值。在公开的卒中、胶质瘤和脑白质高信号数据以及医院存档临床扫描上,同一个对比度无关模型按近期无监督异常检测基准协议做零样本检测,Dice超过或接近各对比度专用的真实数据检测器,同时保持健康解剖完整。

Source-provided article image: Pathology Randomization for Synthetic Priors and Zero-Shot Detection
arXiv

深度剖析

脑MRI异常检测现在可以用一个不接触真实病灶的模型覆盖多种疾病和多种采集条件,而不是为每种对比度或每种疾病单独训练检测器。 此前的合成病理生成器需要真实病灶掩膜或真实病理扫描,或者只能模拟一种疾病过程;主流异常检测器则通常每个对比度一个模型,并需要真实健康或病人数据。 在近期无监督异常检测基准协议下,同一模型在ATLAS-O、BraTS、WMH和PRES上取得与FAE、DISYRE等对比度专用检测器相当或更高的Dice,例如BraTS上为0.537对FAE的0.437,WMH上为0.229对DISYRE的0.130。

做法是把病灶作为健康解剖的条件分布先画进标签图,再交给对比度随机化的渲染器生成图像,网络只学两件事:病灶之下的健康解剖,以及扫描相对它的带符号强度偏差。 网络从不预测病灶类别,病灶体素按其所覆盖的宿主组织评分,检测因此归结为对偏差图做一次全局阈值。 训练数据是1,033张健康受试者标签图上的随机抽样,这些受试者的图像不进入训练;检测、超分辨和配准共用同一个3D UNet主干,只更换任务头。

启示与展望

演示范围是公开的卒中、胶质瘤、白质高信号数据集和一家医院的存档临床队列,按近期无监督异常检测基准协议评分,训练中不含任何真实图像、病灶掩膜或病人阈值。

合成病理在形状、位置和强度上随机化,而不是按疾病建模,因此可检测的病变必须落在这一流形内;真实病灶在高召回率下落在生成器的形状流形内,但形状包含只是必要条件,残余误差出现在外观上。